撰文：袁心玥
凌晨，英伟达 CEO 黄仁勋接受了知名科技主持人 Dwarkesh Patel 的专访，长达 1 小时 45 分钟。
这位油管百万大 V 以递进式的提问方式和极其锋利的选题而出名，这次也不例外地选择了直白开场，一上来就直戳英伟达的「肺管子」，问黄仁勋：「如果软件被商品化了，那英伟达会不会也被商品化？」
有网友评价这次访谈：很少见黄仁勋这么「生气」。
在这次访谈中，黄仁勋深度回答了关于 AI 时代的竞争本质、英伟达如何锁住供应链、为什么不做 AI 云，以及中国与 AI 芯片等问题。
我们整理了这次访谈，内容亮点都在下面。
英伟达真正的护城河不是芯片，是供应链
Dwarkesh：现在市场上有一种看法是，AI 会让软件逐渐商品化，很多软件公司的估值已经因此下滑了。
从一个可能比较天真的角度来看：你们把设计交给晶圆厂，比如把 GDS 文件交给 TSMC（台积电），再由他们制造芯片，然后再和像 SK Hynix、Micron、Samsung 做的 HBM 封装在一起，最后送到 ODM 厂组装成整机。
所以本质上，英伟达做的是软件，只不过由别人来制造。如果软件被商品化了，那英伟达会不会也被商品化？
黄仁勋：归根结底，总有一件事必须发生：把电子变成 Token。不仅仅是变成 Token，还要让这些 Token 越来越有价值。我认为这件事很难被完全商品化。
把电子转化为 Token 本身就是一段非常复杂的旅程，就像让一个分子比另一个分子更有价值一样，这里面包含了大量的艺术、工程、科学和发明。我们现在正在亲眼见证这一切发生，而这个过程远没有被完全理解，也远没有结束。所以我不认为它会被商品化——当然，我们会让这个过程变得更高效。
如果用刚才的方式来理解英伟达，已经接近我对公司的心智模型了：输入是电子，输出是 Token，中间就是英伟达。我们的工作是用尽可能少的东西，完成这个转化过程，并把能力做到极致。
所谓「尽可能少」，意思是能不做的事情，我们就不做。我们会把这些事情交给合作伙伴，让它成为整个生态的一部分。如果你看今天的英伟达，我们在上下游都有极其庞大的合作生态，所以我们尽量少做，但我们必须做的那一部分是极其困难的。我不认为这部分会被商品化。
Dwarkesh：那企业软件公司呢？很多人觉得它们会被 AI 冲击。
黄仁勋：现在很多软件公司，本质上是「工具制造商」。比如 Excel、PowerPoint，或者像 Cadence、Synopsys。当然也有一些是流程系统，但很大一部分是工具。但我看到的趋势是完全相反的：未来 Agent 的数量会指数级增长，使用这些工具的用户也会指数级增长。也就是说工具的使用量，会暴涨。
举个例子：像 Synopsys Design Compiler 这种工具，未来它的实际用量很可能会暴涨。今天我们被工程师数量限制住了，但未来，每个工程师都会有一堆 Agent 辅助。这些 Agent 会去探索设计空间，探索的程度会远远超过今天。而它们会用的，正是今天这些工具。
所以我认为工具的使用量，会推动这些软件公司的增长，而不是压垮它们。这件事之所以现在还没有发生，是因为 Agent 还不够会用工具。接下来会发生两件事：要么这些软件公司自己去做 Agent；要么 Agent 变得足够强大，可以使用这些工具。最终很可能是两者同时发生。
Dwarkesh：在你们最近的财报里，我看到英伟达已经有接近 1000 亿美元的采购承诺，还有分析认为这个数字可能会达到 2500 亿美元。有一种解读是这样的：英伟达的护城河在于你们锁定了未来几年关键的稀缺资源，比如晶圆、内存、封装。别人即使有芯片设计能力，也不一定能拿到这些资源。这是你们未来几年的核心优势吗？
黄仁勋：这是我们能做到、但别人不太容易做到的一件事情。原因其实很简单：我们之所以能在上游做出这么大的承诺，是因为我们有能力把这些产能买下来，并且卖出去。
那些承诺有些是显性的，比如我们直接签的采购合同；但也有很多是隐性的，比如我们的供应链伙伴会自己去做投资。因为我会和他们的 CEO 沟通，我会告诉他们这个行业会变多大、为什么会变大、我们是如何推理出来的。在这个过程中，我其实是在对齐整个上游生态的认知。
那为什么他们愿意为我们投资，而不是为别人？原因很简单：他们知道我有能力把他们的产能买下来，并卖给下游。英伟达的下游需求非常大，正是因为有这种下游需求的规模，才让他们愿意在上游投入。
如果你去看 GTC 大会，你会发现很多人对它的规模感到惊讶。这是一个 360 度的 AI 生态，整个 AI 世界的人都在一个地方，而他们来这里，是因为他们需要彼此。上游需要看到下游，下游需要看到上游。他们也需要看到 AI 的发展，以及那些 AI 原生公司和创业公司。
我花了很多时间，不断去告知和影响我们的供应链和生态伙伴，让他们理解机会是什么、为什么会发生、什么时候会发生、规模会有多大。很多人会觉得我的 Keynote 有点像上课，甚至有点折磨，但这是故意的。因为我需要让整个生态，像我一样去理解未来。
没有任何一个瓶颈，会持续超过 2 到 3 年
Dwarkesh：我想更具体地理解一个问题：上游供应链真的能跟得上吗？你们过去几年基本是收入翻倍增长，同时提供给全球的算力也在大幅增长。现在这个规模已经很大了，比如你们是 TSMC 先进制程（N3、N2）的最大客户之一，甚至有分析说，今年 AI 会占到 N3 产能的 60%，明年可能到 80%以上。
那问题来了，如果你已经是最大客户了，你还怎么继续「翻倍」？这个增长会不会被上游限制住？
黄仁勋：在某一个时间点上，需求超过供给，是很正常的事情——甚至，这是一种好状态。你希望一个行业的即时需求是大于总供给的。当然，也可能会在某一个具体环节被卡住，比如说，有时候真的会被「水管工」卡住（笑）。
Dwarkesh：水管工？
黄仁勋：对，真的。你可能在某个时间点，被某个完全意想不到的环节限制住。但这并不是坏事，因为当某一个瓶颈出现的时候，整个行业会迅速「围攻」它。
举个例子：前几年大家一直在讨论 CoWoS，但现在你已经很少听到有人谈这个问题了。因为过去两年，整个行业对它进行了极端投入，连续扩产，现在基本已经解决了。TSMC 现在也已经意识到，CoWoS 的供给必须和逻辑芯片和内存的需求同步扩展。以前，CoWoS 和 HBM 是「特殊技术」，但现在已经不是了，它们已经变成了主流计算的一部分。
我们现在比以前更有能力去影响更大范围的供应链。我现在说的这些其实 5 年前我就已经在说了，有些公司当时相信并且投资了，比如 Micron，我还记得当时和他们 CEO 的那次会面，我当时非常明确地告诉他们，未来会发生什么、为什么会发生。他们当时真的投入了，而且投入得很深。从 LPDDR 到 HBM，他们都做了很多投资，结果当然也非常好。有些公司后来才跟上，但现在大家基本都已经在这个节奏里了。
所以我的看法是：没有任何一个瓶颈，会持续超过两到三年，每一代都会有新的瓶颈，但也都会被解决。现在大家已经开始提前几年去预判这些瓶颈，并提前投资。比如硅光（silicon photonics），比如新的封装技术、新的测试设备……我们在过去几年做了很多这样的事情，本质上是在「重塑供应链」，让它为未来的规模做好准备。
Dwarkesh：听起来有些瓶颈比其他更容易扩展，比如 CoWoS 和封装可以扩，但有些东西，比如制造能力本身，可能更难。
黄仁勋：我刚才其实已经说到最难的那个了：水管工，还有电工。这是最难扩展的。
这也是为什么我对现在很多末日论者「AI 会终结工作」的说法感到担忧。如果我们去劝年轻人不要做软件工程师，那未来我们就会缺软件工程师。10 年前，有人说「千万不要做放射科医生」，说这是第一个会被 AI 取代的职业，这些视频现在网上还能找到。结果呢？我们现在缺放射科医生。
Dwarkesh：回到刚才的问题，制造能力这边，你如何让晶圆产能每年翻倍？如何让 EUV 设备每年翻倍？
黄仁勋：这些都不是问题，它们都可以在 2 到 3 年内扩展。关键只有一个，那就是需求信号（demand signal）。一旦有明确的需求，能做 1 台，就能做 10 台；能做 10 台，就能做 100 万台……这些东西并不难复制。
Dwarkesh：那你会不会直接去跟 ASML 说：「未来三年我们需要更多 EUV 机器」？
黄仁勋：有些事情我会直接做，有些是间接做。如果我能说服 TSMC，那 ASML 自然也会被说服，所以要找到真正的关键节点。但这些都不让我担心——真正让我担心的是能源，你不可能在没有能源的情况下建立一个新产业。无论是想重建制造业、建 AI 工厂、做电动车、做机器人，这些都需要能源，而能源是一个长期问题。相比之下，芯片产能和封装只是 2 到 3 年的问题。
Dwarkesh：我听过一些完全相反的说法，所以我不确定该相信谁（笑）。
黄仁勋：你现在是在跟专家对话（笑）。
AI 只是计算的一部分，而计算远不止 AI
Dwarkesh：我想再回到竞争问题，比如 Google TPU。现在世界上最强的模型里，有相当一部分是在 TPU 上训练的，这对英伟达意味着什么？
黄仁勋：我们做的东西是完全不同的。英伟达做的是加速计算（accelerated computing），而不是一个「张量处理单元」。加速计算被用在各种各样的领域，比如分子动力学、数据处理、流体力学……当然，也包括 AI。
AI 现在是最热门的讨论方向，但计算远不止 AI。我们做的是重新发明计算方式，从通用计算走向加速计算。我们的覆盖范围比任何 TPU 都要大得多，因为我们可以加速所有应用。
Dwarkesh：但现实情况是，你们现在的收入绝大多数还是来自 AI，而不是来自药物发现或者量子计算。而 AI 的核心计算，很多人认为就是矩阵乘法。TPU 在这方面是高度优化的，虽然 GPU 更通用。那问题是，对于当前这波 AI 需求来说，TPU 是不是更适合？
黄仁勋：矩阵乘法确实很重要，但它不是全部。如果你想发明新的 attention 机制，想用不同方式做计算分解，或者想设计全新的模型架构，比如混合 SSM 模型，融合 diffusion 和 autoregressive 模型……你需要的是一个完全可编程的系统。
AI 进步的核心是算法。摩尔定律大概每年提升 25%，但我们却在实现 10 倍甚至 100 倍的提升。这些提升来自新的算法、新的模型结构、新的计算方式，而如果没有可编程性，你甚至不知道从哪里开始做这些创新。
Dwarkesh：那我们聊一个更现实的问题。你的客户，比如 Amazon、Google、Microsoft，他们有能力写自己的 kernel，甚至做自己的软件栈。那 CUDA 还重要吗？
黄仁勋：CUDA 是一个非常丰富的生态系统。如果你要开发系统，从 CUDA 开始是非常合理的。我们支持所有框架，如果你要写自定义 kernel 也可以。我们甚至在 Triton 里投入了大量技术。
但你要考虑，当系统出问题时，是你的代码有问题，还是底层系统有问题？你当然会希望问题出在你自己这里，CUDA 的价值就在于，你可以信任底层。
另外一个关键点是安装基数（install base），作为开发者，你最想要的是你的软件可以运行在大量机器上。我们现在有数亿 GPU，在所有云平台上，各种型号，各种规模。这意味着，你开发一次，就可以在全世界运行。
Dwarkesh：但如果你的主要客户是这些超大公司，他们完全可以为自己的系统优化，甚至支持多个硬件平台。你的优势还成立吗？
黄仁勋：我们有大量工程师直接和这些 AI 公司合作。而且你要理解，GPU 不是 CPU：CPU 就像一辆巡航车，谁都能开；但 GPU 更像 F1 赛车，你可以开，但要开到极限，需要专业能力。我们用大量 AI 来优化 kernel，很多时候，我们帮客户优化之后，性能提升 2 倍，有时候 3 倍……哪怕提升 50%都是巨大的。而对于一个拥有巨大算力集群的公司来说，性能提升，直接意味着收入提升。
Dwarkesh：如果这些客户可以自己做优化，竞争是不是会变成谁的价格更低、性能更高？
黄仁勋：我们在这些 AI 实验室里有大量工程师在帮他们优化，没有人比我们更了解我们的架构。GPU 不像 CPU 那样完全通用，它更复杂，我们可以帮他们从系统里再挖出 2 倍性能。而且我们的系统，在整个行业里拥有最好的 TCO（总拥有成本），没有任何一家公司可以证明自己在 TCO 上比我们更好，无论是训练还是推理。
Dwarkesh：但还是有公司在用其他方案。比如 Anthropic 最近宣布和 Broadcom 以及 Google 合作，很多计算在 TPU 上。
黄仁勋：这是一个非常特殊的例子。如果没有 Anthropic，TPU 的增长几乎不存在，他们是一个极端案例。
Dwarkesh：但 OpenAI 也在和 AMD 合作，甚至在做自己的芯片。
黄仁勋：但他们绝大多数计算还是在英伟达上，我们也会继续和他们合作。我不介意别人尝试其他方案。如果他们不尝试，怎么知道我们有多好？我们必须持续证明自己。
你看看历史上那些做 ASIC 的项目，有多少最后是做不下去、被砍掉的。做一个比英伟达更好的系统并不容易。
Dwarkesh：他们的逻辑是不需要比你更好，只要不比你差太多，但成本更低就可以。
黄仁勋：ASIC 的利润率其实也很高，大概是 65%，英伟达是 70%。差距没有你想的那么大。
Dwarkesh：那回到一个问题，为什么英伟达没有更早投资这些 AI 公司？
黄仁勋：我们在能做的时候，就做了。在更早的时候，我们没有能力做那种级别的投资（几十亿美元），那在当时不是我们的模式。
而且我当时没有意识到，这些公司其实没有其他融资路径——我当时以为他们可以像普通公司一样去找 VC（风险投资）融资，但后来我才意识到，他们要做的事情，VC 根本投不了。这是我的误判。
Dwarkesh：现在你们有大量现金。为什么不自己做云？成为像 AWS 那样的公司？
黄仁勋：这是我们的公司哲学：做必须做的事情，尽量少做其他事情。如果我们不做某件事，这个世界就不会有，那我们就必须做。但云这件事，如果我们不做，会有很多公司来做。所以我们不做。
对中国的态度：算法才是关键
Dwarkesh：很多分析认为，中国在先进制程上落后。比如他们很多还是在 7nm，没有 EUV 设备。在算力上，有人估算，他们大概只有美国的十分之一，在 HBM 带宽上，差距可能接近一个数量级。那是不是意味着美国可以先达到这些能力，先部署，先修补漏洞，从而获得安全优势？
黄仁勋：如果你要让这个逻辑成立，那你必须假设他们没有算力，但这不是现实。他们已经有大量算力。中国是全球第二大计算市场，如果他们愿意集中资源，他们完全可以聚合足够的算力。
Dwarkesh：但他们在带宽、内存等方面还是落后。
黄仁勋：那他们就用更多芯片。AI 本质上是并行计算问题。如果你有足够的能源，你可以用更多节点来弥补差距。他们有大量能源，他们有很多已经建好的数据中心，甚至有空置的。他们可以用更多芯片，把系统拼起来，而且他们的芯片制造能力本身就很强。所以「他们没有 AI 芯片」这个说法是错误的。
Dwarkesh：但先进芯片确实存在差距，比如带宽差距可能接近一个数量级。
黄仁勋：那他们就用更多节点连接起来。就像我们用 NVLink 一样，他们也已经在做类似的事情。比如华为，他们已经在把大量计算节点连接成一个系统，通过硅光（silicon photonics）等技术把大量计算资源连接在一起。所以如果你只看单个芯片，你会低估整个系统。
而且不要忘了，算法才是关键。他们有大量优秀研究者，这才是他们最大的优势。很多 AI 进步来自算法，而不是硬件。如果你在算力上受限，你反而会被逼去做更好的算法，比如 DeepSeek——这不是一个无关紧要的进展。它代表的是一种能力：在算力受限的情况下，依然能做出非常强的模型。
Dwarkesh：那如果 DeepSeek 这样的模型在华为芯片上首先优化、首先跑起来呢？
黄仁勋：那就是一个很糟糕的结果。如果一个强大的模型，在非美国技术栈上运行得更好，那对美国来说是坏消息。
即使没有 AI，英伟达也会是一个非常大的公司
Dwarkesh：刚才我们在讨论 TSMC 和内存这些瓶颈。那如果未来是这样一个世界：你们已经占据了 N3 的大部分产能，未来还会占据 N2 的大部分产能。那有没有一种可能，你们会回到更旧的制程，比如 7nm，利用那些「闲置产能」，重新做类似 Hopper 或者 Ampere 这样的架构，但结合今天在数值计算、系统设计等方面的进步。你觉得这种情况，会不会在 2030 年前发生？
黄仁勋：没有必要这样做。因为每一代架构的进步，不只是晶体管规模。它还包括大量工程优化、封装、堆叠、数值计算（numerics）、系统架构等等，如果你想回到旧制程，那意味着你要重新做一整套研发。这是一个几乎没有人负担得起的研发成本。
我们可以向前推进，但我不认为我们能向后回退。当然，如果我们做一个思想实验：如果有一天，世界真的说「我们再也不会有更多先进产能了」，那我会不会立刻用 7nm？当然会。毫不犹豫。
Dwarkesh：还有一个问题，是别人问我的。为什么英伟达不同时做多个完全不同的芯片项目？比如类似 Cerebras 那种超大芯片、类似 TeslaDojo 那样的系统，甚至做一个完全不依赖 CUDA 的架构。你们有资源、有工程能力，为什么不把赌注分散？毕竟 AI 未来的架构方向还不确定。
黄仁勋：我们当然可以这么做。只是我们没有看到一个更好的方案。这些东西我们都在仿真系统里模拟过，它们的效果其实更差。所以我们不会去做。我们现在做的，就是我们认为最正确的架构。
当然，如果未来工作负载本身发生变化——我说的不是算法变化，而是工作负载的形态变化，那我们可能会增加新的加速器。比如最近，我们引入了 Grok 相关的方向，并且会把它整合进 CUDA 生态。
这是因为 Token 的价值变高了。几年前，Token 几乎是免费的，或者非常便宜。但现在不一样了，现在不同客户对 Token 有不同需求。比如，如果我是软件工程师，我愿意为更快响应的 Token 付钱，因为它能让我更高效。这个市场是最近才出现的。
所以我们现在可以做一件事：同一个模型根据响应时间，划分出不同市场。这也是为什么我们决定扩展推理的「帕累托前沿」（Pareto frontier）做一个响应更快、但吞吐更低的推理形态。
过去大家都认为吞吐越高越好，但现在可能出现一种市场：Token 价格很高（ASP 高），即使吞吐低，整体收益仍然更高。如果是这样那我们就会去做。但从架构角度来说，如果我有更多资源，我更愿意把它投入到现有架构上，而不是分散。
Dwarkesh：这个高价 Token 市场的想法非常有意思。
黄仁勋：是的，本质是市场分层（segmentation）。
Dwarkesh：最后一个问题。假设深度学习革命没有发生，英伟达今天会在做什么？
黄仁勋：还是同一件事：加速计算。我们公司的基本假设一直是，摩尔定律会放缓，通用计算不会适用于所有问题。所以我们把 GPU 和 CPU 结合，让 GPU 去加速特定计算。
不同的算法、不同的 kernel，可以被卸载到 GPU 上执行，从而让应用加速 100 倍、200 倍。这些应用在几乎所有地方：科学计算、工程、物理、数据处理、图形计算、图像生成……即使没有 AI，英伟达也会是一个非常大的公司。
因为这是一个更基础的问题，通用计算的扩展已经接近极限，而解决方案就是领域专用加速（domain-specific acceleration）。我们从图形开始，但其实有无数其他领域，像分子动力学、地震数据处理、能源勘探、图像处理……这些都是通用计算无法高效解决的问题。我们的使命一直是把加速计算带给世界，推动那些通用计算无法突破的领域。
当然，如果没有 AI，我会很难过。但正是因为我们在计算上的这些进展，让深度学习更加普及，让任何人都可以用一张 GPU 卡做出很厉害的事情。这一点，从来没有改变。
如果你去看 GTC，前面很大一部分内容其实都不是 AI。比如计算光刻、量子化学、数据处理，这些都是非常重要的工作，只是没有 AI 那么火。
世界上有很多重要的事情并不依赖 AI，而 Tensor 也不是唯一的计算方式。我们希望帮助所有人。
